PyTorch 2 通过 Inductor 使用 Intel GPU 后端进行导出量化¶
作者: Yan Zhiwei, Wang Eikan, Zhang Liangang, Liu River, Cui Yifeng
先决条件¶
PyTorch 2.7 或更高版本
介绍¶
本教程介绍了 XPUInductorQuantizer，它旨在为 Intel GPU 上的量化模型提供推理服务。 XPUInductorQuantizer 使用 PyTorch 导出量化流程，并将量化模型降低到 inductor。
Pytorch 2 导出量化流程使用 torch.export 将模型捕获到图中，并在 ATen 图之上执行量化转换。该方法有望实现更高的模型覆盖率、更好的可编程性以及简化的用户体验。TorchInductor 是一个编译器后端，它将 TorchDynamo 生成的 FX 图转换为优化的 C++/Triton 内核。
量化流程包含三个步骤
步骤 1：基于 torch 导出机制，从 eager 模型中捕获 FX 图。
步骤 2：基于捕获的 FX 图应用量化流程，包括定义后端特定的量化器、生成带有观察器的准备模型、执行准备模型的校准，以及将准备模型转换为量化模型。
步骤 3：使用 API
torch.compile将量化模型降低到 inductor，这将调用 Triton 内核或 oneDNN GEMM/Convolution 内核。
这个流程的高级架构可能如下所示
float_model(Python) Example Input
\ /
\ /
—--------------------------------------------------------
| export |
—--------------------------------------------------------
|
FX Graph in ATen
| X86InductorQuantizer
| /
—--------------------------------------------------------
| prepare_pt2e |
| | |
| Calibrate/Train |
| | |
| convert_pt2e |
—--------------------------------------------------------
|
Quantized Model
|
—--------------------------------------------------------
| Lower into Inductor |
—--------------------------------------------------------
|
OneDNN kernels Triton Kernels
训练后量化¶
静态量化是我们目前唯一支持的方法。
建议通过 Intel GPU 渠道安装以下依赖项
pip3 install torch torchvision torchaudio pytorch-triton-xpu --index-url https://download.pytorch.org/whl/xpu
请注意，由于 inductor 的 freeze 功能尚未默认开启，您必须使用 TORCHINDUCTOR_FREEZING=1 来运行您的示例代码。
例如
TORCHINDUCTOR_FREEZING=1 python xpu_inductor_quantizer_example.py
1. 捕获 FX 图¶
我们将首先执行必要的导入，从即时模式（eager）模块中捕获 FX 图。
import torch
import torchvision.models as models
from torchao.quantization.pt2e.quantize_pt2e import prepare_pt2e, convert_pt2e
import torchao.quantization.pt2e.quantizer.xpu_inductor_quantizer as xpuiq
from torchao.quantization.pt2e.quantizer.xpu_inductor_quantizer import XPUInductorQuantizer
from torch.export import export
# Create the Eager Model
model_name = "resnet18"
model = models.__dict__[model_name](weights=models.ResNet18_Weights.DEFAULT)
# Set the model to eval mode
model = model.eval().to("xpu")
# Create the data, using the dummy data here as an example
traced_bs = 50
x = torch.randn(traced_bs, 3, 224, 224, device="xpu").contiguous(memory_format=torch.channels_last)
example_inputs = (x,)
# Capture the FX Graph to be quantized
with torch.no_grad():
exported_model = export(
model,
example_inputs,
).module()
接下来，我们将量化 FX Module。
2. 应用量化¶
捕获 FX Module 后，我们将导入 Intel GPU 的后端量化器并进行配置以量化模型。
quantizer = XPUInductorQuantizer()
quantizer.set_global(xpuiq.get_default_xpu_inductor_quantization_config())
XPUInductorQuantizer 的默认量化配置对激活值和权重都使用有符号 8 位。张量是逐张量量化的，而权重是逐通道有符号 8 位量化的。
可选地，除了使用非对称量化激活值的默认量化配置外，还支持有符号 8 位对称量化激活值，这有可能提供更好的性能。
from torchao.quantization.pt2e.observer import HistogramObserver, PerChannelMinMaxObserver
from torchao.quantization.pt2e.quantizer.quantizer import QuantizationSpec
from torchao.quantization.pt2e.quantizer import QuantizationConfig
from typing import Any, Optional, TYPE_CHECKING
if TYPE_CHECKING:
from torchao.quantization.pt2e import ObserverOrFakeQuantizeConstructor
def get_xpu_inductor_symm_quantization_config():
extra_args: dict[str, Any] = {"eps": 2**-12}
act_observer_or_fake_quant_ctr = HistogramObserver
act_quantization_spec = QuantizationSpec(
dtype=torch.int8,
quant_min=-128,
quant_max=127,
qscheme=torch.per_tensor_symmetric, # Change the activation quant config to symmetric
is_dynamic=False,
observer_or_fake_quant_ctr=act_observer_or_fake_quant_ctr.with_args(
**extra_args
),
)
weight_observer_or_fake_quant_ctr: ObserverOrFakeQuantizeConstructor = (
PerChannelMinMaxObserver
)
weight_quantization_spec = QuantizationSpec(
dtype=torch.int8,
quant_min=-128,
quant_max=127,
qscheme=torch.per_channel_symmetric, # Same as the default config, the only supported option for weight
ch_axis=0, # 0 corresponding to weight shape = (oc, ic, kh, kw) of conv
is_dynamic=False,
observer_or_fake_quant_ctr=weight_observer_or_fake_quant_ctr.with_args(
**extra_args
),
)
bias_quantization_spec = None # will use placeholder observer by default
quantization_config = QuantizationConfig(
act_quantization_spec,
act_quantization_spec,
weight_quantization_spec,
bias_quantization_spec,
False,
)
return quantization_config
# Then, set the quantization configuration to the quantizer.
quantizer = XPUInductorQuantizer()
quantizer.set_global(get_xpu_inductor_symm_quantization_config())
导入后端特定的量化器后，为训练后量化准备模型。 prepare_pt2e 将 BatchNorm 算子折叠到前面的 Conv2d 算子中，并在模型中的适当位置插入观察器。
prepared_model = prepare_pt2e(exported_model, quantizer)
（仅适用于静态量化） 在将观察器插入模型后，校准 prepared_model。
# We use the dummy data as an example here
prepared_model(*example_inputs)
# Alternatively: user can define the dataset to calibrate
# def calibrate(model, data_loader):
# model.eval()
# with torch.no_grad():
# for image, target in data_loader:
# model(image)
# calibrate(prepared_model, data_loader_test) # run calibration on sample data
最后，将校准后的模型转换为量化模型。 convert_pt2e 接受一个校准后的模型并生成一个量化模型。
converted_model = convert_pt2e(prepared_model)
完成这些步骤后，量化流程就完成了，量化模型也可用了。
3. 降低到 Inductor¶
量化模型随后将被降低到 inductor 后端。
with torch.no_grad():
optimized_model = torch.compile(converted_model)
# Running some benchmark
optimized_model(*example_inputs)
在更高级的场景中，int8-mixed-bf16 量化发挥作用。在这种情况下，卷积或 GEMM 算子会以 BFloat16 而非 Float32 的形式输出，前提是后面没有量化节点。随后，BFloat16 张量会无缝地传播到后续的逐点算子，从而有效地减少内存使用并可能提高性能。使用此功能与常规 BFloat16 Autocast 的使用方式相同，只需将脚本包装在 BFloat16 Autocast 上下文中即可。
with torch.amp.autocast(device_type="xpu", dtype=torch.bfloat16), torch.no_grad():
# Turn on Autocast to use int8-mixed-bf16 quantization. After lowering into indcutor backend,
# For operators such as QConvolution and QLinear:
# * The input data type is consistently defined as int8, attributable to the presence of a pair
# of quantization and dequantization nodes inserted at the input.
# * The computation precision remains at int8.
# * The output data type may vary, being either int8 or BFloat16, contingent on the presence
# of a pair of quantization and dequantization nodes at the output.
# For non-quantizable pointwise operators, the data type will be inherited from the previous node,
# potentially resulting in a data type of BFloat16 in this scenario.
# For quantizable pointwise operators such as QMaxpool2D, it continues to operate with the int8
# data type for both input and output.
optimized_model = torch.compile(converted_model)
# Running some benchmark
optimized_model(*example_inputs)
结论¶
在本教程中，我们学习了如何利用 XPUInductorQuantizer，通过 PyTorch 2 的导出量化流程，对用于 Intel GPU 推理的模型执行训练后量化。我们涵盖了捕获 FX 图、应用量化以及使用 torch.compile 将量化模型降低到 inductor 后端的步骤。此外，我们还探讨了使用 int8-mixed-bf16 量化来提高内存效率和潜在性能优势的好处，尤其是在使用 BFloat16 自动转换时。
